基于贝叶斯分类器的图像隐写分析

集成分类器是目前用于图像隐写分析的主流分类器。为提高集成分类器的检测精度,针对集成分类器基分类器组合方法过于简单,无法体现基分类器之间的内在联系,不能从整体上对结果进行判定的缺点,依据图像特征在集成分类器分类超平面上的投影值服从多维正态分布这一特性,提出了一种基于贝叶斯分类器的图像隐写分析算法。首先基于随机森林算法生成若干基分类器,然后计算类条件概率密度函数与先验概率并训练贝叶斯分类器,最后使用经过训练的贝叶斯分类器代替简单投票方法进行分类判决。算法的检测错误率比以往算法平均降低了1.6%,ROC曲线比简单投票方法更接近于左上角,即具有更高的检测率,AUC值平均增长约2.12%,并且训练时间仅有少量提高,最大提高约2.610s。可以有效提高集成分类器的检测精度。     

一种基于权重融合的JPEG隐写分析方法

针对JPEG图像通用隐写检测中检测效率低、训练时间长的问题,提出一种基于集成分类器的新检测方法。算法以CC-PEV为特征对图像进行描述并作为隐写分析特征;然后,随机构造若干个特征子空间,用bootstrap方法构造图像训练子集,分别进行训练得到数个基分类器;根据基分类器的分类结果赋予基分类器不同的权重,将基分类器的结果按照其权重进行融合得到最终的结果。本文对该算法进行了测试,对它的集成性、检测准确率和训练时间进行分析。实验结果表明,相对于传统的集成方法,本文方法用自举方法构造训练集、随机方法构造子特征空间、赋予基分类器不同权重进行融合能够显著地提高算法准确率。本文方法相对于SVM和传统的集成分类方法,具有更高的检测率,对于特征维数更大的图像检测,具有更好的拓展性和一般适用性。     

基于邻域像素差分矩阵的彩色空域图像隐写分析特征

通过分析灰度空域图像隐写直接扩展至彩色空域图像潜在的安全问题,提出了针对彩色空域图像隐写的隐写分析特征。首先,计算颜色通道内邻域像素差分矩阵的Markov转移概率矩阵,提取颜色通道内特征并进行融合;然后,计算颜色通道间邻域像素差分矩阵的Markov转移概率矩阵,并将水平和垂直共4个方向与对角和反对角共4个方向的转移概率矩阵分别进行融合,作为颜色通道间特征;最后,颜色通道内特征与颜色通道间特征构成最终的隐写分析特征,并使用集成分类器作为特征训练和测试工具。实验结果表明,该隐写分析特征可有效检测彩色空域图像隐写,并且颜色通道间特征能有效捕获内容自适应隐写对彩色图像的颜色通道间相关性的影响。     

一种基于成对采样和选择性集成的隐写分析算法

为了进一步提高隐写分析算法的检测精度,提出 了一种基于成对采样选择性集成的隐写分析算法。 从集成分类的特点和隐写分析的特殊性出发,分析了类内以及类间样本之间的联系,研究了 4种不同的采样策 略,并基于成对采样策略构建选择性集成分类器用于隐写分析。实验表明,不同采样策略能 不同程度地影响隐 写分析的检测性能;与现有隐写分析方法相比,本文算法能明显降低隐写分析系统的检测错 误率(BER)。     

一种空域频域结合的图像隐写算法

为了获取较大隐写容量和较好的不可感知性,使用图像空域边缘特点结合人眼视觉感知特性,提出一种空域频域相结合的大容量图像隐写算法,既考虑了图像在空域中的边缘信息,又考虑了图像亮度等因素对嵌入区域的影响。使用对比灵敏度和纹理能量对嵌入区域进行整合,根据容量大小和不可感知程度来选择频域或空域对图像嵌入秘密信息。通过实验表明,该算法在得到了较大的隐写容量的同时也获得了较好的不可感知性。     

基于随机蕨的集成分类图像隐写分析算法

提出了一种基于随机蕨(random ferns)和集成学习的图像隐写分析算法。首先利 用图像高维特征构 建蕨特征,采用成对采样策略构造样本子集,生成若干个基分类器;然后计算出训练样本 在基分类器中各个蕨的 先验概率并集成各个基分类器,进行隐写检测判别。实验结果表明,本文算法复杂度低,能 有效降低隐写检测错误率。     

基于局部线性变换的HUGO图像隐写检测

Pevny等人2010年提出一种最先进的高度不可检测的自适应空域隐写算法HUGO(Highly Undetectable Steganography),其保护了相邻四个像素的一阶统计特性,具有很强的抗检测性能,目前国内外针对HUGO检测缺乏有效的方法。由于用HUGO隐写算法进行隐写嵌入时改变部分纹理特征,本文提出一种新的检测方法,利用局部线性变换得到纹理残差图像,计算共生矩阵得到22130维特征向量,最后使用集成分类器进行分类。实验结果表明:在嵌入率为0.4bpp时,针对BOSSRank图像集,获得平均82.71%的检测率,优于Hugobreaker的80.3%和Guel的76.8%,并在低于0.4bpp嵌入率时,其检测效果有所提高。     

基于小波系数相关性的空域隐写分析方法

基于小波系数相关性,提出了一类具有较高正确检测率的空域隐写通用型检测方法。首先利用互信息分析秘密信息嵌入对图像小波系数在尺度方向和空间方向相关性的影响,并使用马尔可夫模型挖掘小波系数层内和层间相关性,提取转移概率矩阵作为特征;然后对提取的特征进行加权融合并结合Fisher线性判别(FLD)分类器进行分类。针对LSB(least significant bit)、LSBmatching和SM(stochastic modulation)隐写算法的实验表明,在不增加计算复杂度的情况下,本文方法相比现有的典型空域隐写通用型检测方法,正确检测率有明显提高。     

基于Canny边缘检测的自适应空域隐写术

针对自适应空域隐写术设计的关键问题,该文结合Canny边缘检测和校验格编码(STC)提出一种不需要同步边信息的自适应空域隐写方法。首先,根据秘密消息长度、载体图像等因素确定Canny边缘检测算法中的参数取值,进而根据相应的参数取值使用Canny边缘检测算法来选择载体图像的边缘区域。然后,分别定义边缘区域像素和非边缘区域像素的嵌入失真;最后,在载体像素的多个最低有效位平面(LSB)使用STC嵌入秘密消息。实验结果表明:该隐写方法在4种嵌入率情况下抵抗常见通用隐写分析的性能优于3种已有的隐写方法,且在较小嵌入率情况下与空域通用小波相对失真方法(S-UNIWARD)相当。     

一种基于PSOSVM的盲隐写分析方法

针对盲隐写分析中的特征选择问题,提出了结合粒子群优化算法（PSO）的支持向量机分类器进行特征选择的方法。该方法使用非线性支持向量机作为分类器,使用PSO为支持向量机寻找最优的图像特征集合作为训练集和测试集,同时选择最优的支持向量机参数,进而利用最优的特征集和支持向量机参数对隐写图像进行检测。实验结果表明,该优化方法明显优于Farid。ANOVA和F—score方法,提高了检测隐写图像的成功率和系统检测效率。     

毫米波雷达机场跑道异物分层检测算法

强杂波背景下的弱小静止目标检测是毫米波机场跑道异物(FOD)检测雷达面临的核心问题。该文提出一种基于功率谱特征和支持向量域描述(SVDD)一类分类器的FOD分层检测算法。该算法首先利用杂波图恒虚警率(CFAR)检测器对复杂背景杂波进行杂波对消处理,针对对消后虚警过多的问题,对对消后的数据提取功率谱特征,将其转换到特征域,最后利用SVDD一类分类器在特征域实现对FOD和虚警的分类。基于实测数据的试验结果表明所提方法可以获得较好的检测性能。     

基于俯仰角修正的HOG特征快速行人检测算法

传统的HOG特征对正视或侧视行人有较好的识别率,但是对俯视行人的识别率仍有所欠缺。对检测图像的HOG特征根据不同的俯仰角进行了转换,同时优化了SVM分类器训练过程,提出了一种改进的快速行人检测算法。测试结果表明,该算法优于基于传统HOG特征的检测方法,有效提高了不同俯仰角视频中行人检测的准确性。     

基于方位不变特征的地雷检测方法

车载前视超宽带地表穿透雷达在地雷探测中遇到的困难是虚警率过高,地雷与杂波在全孔径图像中很难准确区分。为降低地雷探测过程中的虚警率,该文提出一种基于目标子孔径图像方位不变性的检测方法。该方法利用分裂发射虚拟孔径成像模型,将全孔径图像分解为左右两个子孔径图像,并根据子孔径图像中的目标一维距离剖线建立双峰特征模型。在此模型基础上提取具有方位不变性的若干特征,进而得到左右子孔径图像中目标的一致性度量,并将该一致性度量作为最终的特征向量送入鉴别器加以判别。经实测数据验证,该算法能有效剔除原先在全孔径图像中无法剔除的杂波,从而降低前视地表穿透合成孔径雷达中地雷探测的虚警率。      

基于迭代顺序滤波子空间约束的可拒识-支持 向量机微钙化点检测

为提高钙化点检测速度,克服微钙化点检测中假阳性高的缺点,本文构造了一种迭代顺序滤波子空间约束的可拒识-支持向量机分类器用于钙化点检测.训练时利用迭代顺序滤波检测作为钙化点的粗检测算子,然后在其约束的子空间内收集非钙化点训练样本.对于输入模式,首先利用基于最大软间隔超平面的支持向量分类器(SVC)进行分类判决;然后对真实的钙化点样本特征空间求取最小的包含球形边界,得到钙化点样本的球形支持向量域表示(SVDD).对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理.仿真实验结果表明,本文提出的算法在不影响微钙化点的检出率的情况下,大大提高了检测速度,部分解决了假阳性高的问题.     

Artificial intelligence based ensemble approach for intrusion detection systems

Internet attacks pose a severe threat to most of the online resources and are a prime concern of security administrators these days. In spite of many efforts, the security techniques are unable to detect the intrusions accurately. Most of the methods suffer from the limitations of a high false positive rate, low detection rate and provide one solution which lacks the classification trade-offs. In this work, an effective two-stage method is proposed to produce a pool of non-dominating solutions or Pareto optimal solutions as base models and their ensembles for detecting the intrusions accurately. It generates Pareto optimal solutions to a chromosome structure in stage 1 formulating Pareto front. Whereas, another approximation to the Pareto front of optimal solutions is made to obtain non-dominating ensembles in the second stage. The final prediction ensemble solutions are computed from individual predictions using majority voting approach. Applicability of the suggested method is validated using benchmark dataset NSL-KDD dataset. The experimental results show that the recommended method provides better results than conventional ensemble techniques. The recommended method is also adequate to generate Pareto optimal solutions that address the issue of improving detection accuracy for minority as well as majority attack classes along with handling classification tradeoff problem. The proposed method resulted detection accuracy of 97% with FPR of 2% for KDD dataset respectively. The most attractive feature of the proposed method is that both generation of base classifier and their ensemble thereof are multi-objective in nature addressing the issue of low detection accuracy and classification tradeoffs.     

基于后验HOG特征的多姿态行人检测

行人检测是当前计算机视觉领域的挑战性课题之一.本文提出一种基于后验HOG特征的多姿态行人检测方法.首先,统计全部行人样本的梯度特征能量共性信息,对单个行人样本的HOG特征进行加权获得能够表现行人边缘轮廓的后验HOG特征,有效减少复杂背景的影响.其次,利用S-Isomap特征降维方法和K-means聚类方法对不同姿态和视角的行人做子类划分,并针对每一个子类训练子类分类器.最后,根据多个不同姿态的子类分类器输出值,训练等权重加和方式的多姿态-视角集成分类器.不同数据集上的测试结果表明,本文所提利用共性信息获得的后验特征超过了经典HOG和其它典型特征的描述能力.与现有方法相比,通过将所提出的特征与多姿态-视角集成分类器结合,有效地提高了检测精度.     

基于BitBP特征的多重级联人脸检测器

结合Haar和MB-LBP特征,提出了一种采用BitBP特征描述图像局部信息的方法,该特征可有效描述图像局部区域的灰度像素分布情况,具有比Haar和MB-LBP特征更强的分类能力。且可有效地克服Haar特征数目巨大、训练时间长的缺点。根据BitBP特性,提出一种多重级联的分类器。该分类器的每层均由单一BitBP特征的次级级联分类器构成。而次级级联分类器中的每层分类器均是一个小型的联分类器。利用多重级联结构,可获得更快的检测速度。     

基于支持向量约简的快速目标检测

支持向量机(SVM)由于其出色的泛化能力,已成为目标检测领域应用最为广泛的分类器之一.然而在检测过程中,过多的支持向量会产生很大的时间开销,从而降低目标检测系统的实时性.针对此问题,提出一种约简支持向量的方法,以降低分类器的决策开销,加快检测速度.此方法采用迭代的方式来估计特征空间中向量的原像,通过构建精简原像集来简化支持向量机,从而达到了提升分类速度的效果.利用精简的SVM结合Selective Search+ BoW模型构建了一款快速检测器,测试结果表明:该检测器能够在保证检测率的前提下,通过约简支持向量,提高目标检测的实时性.